KLASIFIKASI UCAPAN DISARTRIA MENGGUNAKAN MODEL LIGHTWEIGHT CONVOLUTIONAL NEURAL NETWORK DENGAN REPRESENTASI FITUR MEL-SPECTROGRAM DAN PER-CHANNEL ENERGY NORMALIZATION

Gertrud Irish Jovincia, . (2026) KLASIFIKASI UCAPAN DISARTRIA MENGGUNAKAN MODEL LIGHTWEIGHT CONVOLUTIONAL NEURAL NETWORK DENGAN REPRESENTASI FITUR MEL-SPECTROGRAM DAN PER-CHANNEL ENERGY NORMALIZATION. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220197.pdf Download (104kB)
	Text Abstrak_123220197.pdf Download (164kB)
	Text Halaman Pengesahan_123220197.pdf Download (380kB)
	Text Daftar Isi_123220197.pdf Download (235kB)
	Text Daftar Pustaka_123220197.pdf Download (174kB)
	Text Fulltext_123220197.pdf Restricted to Repository staff only Download (3MB)

Abstract

Disartria merupakan gangguan motorik bicara akibat kerusakan sistem saraf yang menyebabkan penurunan kejelasan artikulasi dan kesulitan komunikasi. Pengembangan sistem klasifikasi ucapan otomatis untuk penderita disartria masih menjadi tantangan karena karakteristik sinyal ucapan yang tidak stabil, variasi energi yang tinggi, serta kemiripan fonetik antar kata. Oleh karena itu, diperlukan metode ekstraksi fitur yang mampu merepresentasikan karakteristik akustik ucapan secara lebih adaptif dan sesuai dengan persepsi pendengaran manusia.
Penelitian ini bertujuan mengembangkan sistem klasifikasi ucapan disartria berbasis kata menggunakan model Lightweight Convolutional Neural Network (LCNN) dengan representasi fitur Mel-Spectrogram dan Per-Channel Energy Normalization (PCEN). Dataset yang digunakan berasal dari EasyCall Corpus yang terdiri atas lima kelas kata, yaitu no, stop, uno, zero, dan invalid, dengan total 2.972 sampel audio. Data dibagi menggunakan metode stratified split dengan rasio 80:10:10 untuk data latih, validasi, dan uji. Tahapan penelitian meliputi pra-pemrosesan audio, augmentasi data, ekstraksi fitur Mel-Spectrogram, normalisasi menggunakan PCEN, serta proses klasifikasi menggunakan model LCNN. Model dilatih menggunakan Adam optimizer dengan mekanisme Early Stopping untuk mencegah overfitting.
Hasil pengujian menunjukkan bahwa model yang diusulkan mampu mencapai akurasi sebesar 83,56% dan weighted average F1-score sebesar 83,16% pada data uji. Hasil tersebut menunjukkan bahwa kombinasi Mel-Spectrogram dan PCEN mampu meningkatkan representasi pola spektral ucapan disartria sehingga membantu proses klasifikasi pada kelas dengan kemiripan fonetik. Selain itu, model LCNN yang digunakan tetap mempertahankan efisiensi komputasi sehingga sesuai untuk implementasi sistem klasifikasi ucapan berbasis real-time. Penelitian ini diharapkan dapat mendukung pengembangan teknologi asistif berbasis pengenalan ucapan bagi penderita disartria.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	GERTRUD IRISH JOVINCIA (Penulis - 123220197); Rudy Cahyadi (Pembimbing)
Uncontrolled Keywords:	Disartria, Mel-Spectrogram, Per-Channel Energy Normalization, Lightweight Convolutional Neural Network, Speech Command Recognition
Subjek:	T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	22 May 2026 07:16
Last Modified:	22 May 2026 07:16
URI:	http://eprints.upnyk.ac.id/id/eprint/48763

Actions (login required)

View Item